Microestructura del mercado
En este laboratorio usaremos información del Libro de Ordenes de Criptomonedas de diversos exchanges internacionales, con el objetivo primario de visualizar y modelar la microestructura del mercado por medio del comportamiento de Libro de Ordenes y sus caracteristicas como; Matching Engine, Levels, Ask-Bid Volumes, etc.
El modelo de Roll, el cual se enfoca en la microestructura de la dinámica del precio de un activo financiero en horizontes de tiempo en minutos o segundos. El modelo distingue entre las componentes del precio debido al valor fundamental del activo financiero y a aquellas atribuibles a la organización del mercado y procesos de trading. El modelo tiene dos parámetros, C y σ2u, que pueden ser estimados con la información de la varianza y autocovarianza de primer orden del cambio de los precios 4Pt. Se presentan las ecuaciones del modelo para modelar el valor fundamental del activo financiero y para modelar el precio de transacción del mismo activo, y se muestran los cálculos para la diferencia de precios 4Pt, la diferencia de precios 4Pt-1, la multiplicación de las diferencias de precios (4Pt4Pt-1), la varianza de 4Pt, y la covarianza de 4Pt-1 y 4Pt. Los parámetros finales del modelo de Roll se despejan en términos de γ0 y γ1, y quedan expresados como: γ0 = 2C2 + σ2u, σ2u = γ0 - 2C2, γ1 = -C2, y C = -√γ1.
Mientras que la Teoría de Valuación de activos como marco para modelar el precio de un activo financiero riesgoso como un flujo de pagos. Se presenta un modelo simple de utilidad a un período futuro para expresar el valor en el tiempo t de un pago x en t+1. Se utiliza la función de utilidad y se plantea el problema de optimización de la función de utilidad del agente respecto al número de acciones a consumir con restricciones para ct y ct+1. Se obtiene la ecuación que representa el precio del activo riesgoso, Pt, como un proceso estocástico particular, una martingala. Se concluye que el precio del activo riesgoso puede ser modelado como un flujo de pagos.
Visualización de microestructuras con libros de órdenes de exchanges que contengan:
import functions as fn
import data as dt
import visualizations
import pandas as pd
import numpy as np
import ccxt
import plotly.io as pio
Utilizar el módulo CCXT en python para consumir el libro de ordenes de los activos necesarios por cada uno de los exchanges especificados
Ordenes de libros guardados en csv:
Orderbooks1:
- kucoin, bittrex, bitfinex (ETH/BTC)
Orderbooks2:
- kucoin, bittrex, bitfinex (BTC/USDT)# (ETH/BTC)
files_etc = pd.read_csv('files/orderbooks1.csv')
files_etc
| exchange | datetime | orderbook | |
|---|---|---|---|
| 0 | kucoin | 2023-04-24T17:04:02.574Z | {'ask_size': [1.0874998, 0.3672999, 1.5, 1.5, ... |
| 1 | kucoin | 2023-04-24T17:04:02.920Z | {'ask_size': [1.0874998, 0.3672999, 1.5, 1.5, ... |
| 2 | kucoin | 2023-04-24T17:04:03.197Z | {'ask_size': [1.0874998, 0.3672999, 1.5, 1.5, ... |
| 3 | kucoin | 2023-04-24T17:04:03.541Z | {'ask_size': [1.0874998, 1.8672999, 0.6, 1.5, ... |
| 4 | kucoin | 2023-04-24T17:04:03.816Z | {'ask_size': [1.0874998, 0.3672999, 1.5, 0.6, ... |
| ... | ... | ... | ... |
| 18522 | bitfinex | 2023-04-24T18:03:56.345Z | {'ask_size': [0.5, 1.31704302, 0.5, 1.22561471... |
| 18523 | bitfinex | 2023-04-24T18:03:57.136Z | {'ask_size': [0.5, 1.31704302, 0.5, 1.22561471... |
| 18524 | bitfinex | 2023-04-24T18:03:57.832Z | {'ask_size': [0.5, 1.31704302, 0.5, 1.22561471... |
| 18525 | bitfinex | 2023-04-24T18:03:59.032Z | {'ask_size': [3.82768498, 0.5, 1.31704302, 3.8... |
| 18526 | bitfinex | 2023-04-24T18:03:59.723Z | {'ask_size': [3.82768498, 0.5, 1.31704302, 3.8... |
18527 rows × 3 columns
# (BTC/USDT)
files_btc = pd.read_csv('files/orderbooks2.csv')
files_btc
| exchange | datetime | orderbook | |
|---|---|---|---|
| 0 | kucoin | 2023-04-24T18:04:05.442Z | {'ask_size': [1.76519273, 0.05477487, 0.101045... |
| 1 | kucoin | 2023-04-24T18:04:05.719Z | {'ask_size': [1.76519273, 0.05477487, 0.101045... |
| 2 | kucoin | 2023-04-24T18:04:05.998Z | {'ask_size': [1.76369245, 0.05477487, 0.101045... |
| 3 | kucoin | 2023-04-24T18:04:06.371Z | {'ask_size': [2.32371788, 0.07302856, 0.101045... |
| 4 | kucoin | 2023-04-24T18:04:06.671Z | {'ask_size': [2.32487898, 0.07302856, 0.101045... |
| ... | ... | ... | ... |
| 18603 | bitfinex | 2023-04-24T19:04:00.224Z | {'ask_size': [0.128048, 0.0887, 0.06, 0.128035... |
| 18604 | bitfinex | 2023-04-24T19:04:00.922Z | {'ask_size': [0.128048, 0.0887, 0.06, 0.128035... |
| 18605 | bitfinex | 2023-04-24T19:04:02.094Z | {'ask_size': [0.128048, 0.227238, 0.18728997, ... |
| 18606 | bitfinex | 2023-04-24T19:04:02.800Z | {'ask_size': [0.128048, 0.227238, 0.18728997, ... |
| 18607 | bitfinex | 2023-04-24T19:04:03.536Z | {'ask_size': [0.128048, 0.227238, 0.18728997, ... |
18608 rows × 3 columns
# (ETH/BTC)
series_de_tiempo_1 = fn.OB_ts(pd.read_csv('files/orderbooks1.csv'))
# (BTC/USDT)
series_de_tiempo_2 = fn.OB_ts(pd.read_csv('files/orderbooks2.csv'))
# (ETH/BTC)
series_de_tiempo_1.sample(15)
| exchange | timeStamp | level | Ask_Volume | Bid_Volume | Total_Volume | Mid_Price | VWAP | Spread | |
|---|---|---|---|---|---|---|---|---|---|
| 7357 | kucoin | 2023-04-24T17:42:26.570Z | 200 | 128.739804 | 94.287752 | 223.027556 | 0.067032 | 0.100616 | 0.00025 |
| 1988 | kucoin | 2023-04-24T17:14:22.530Z | 200 | 103.890571 | 126.398825 | 230.289396 | 0.066921 | 0.100437 | 0.000263 |
| 1760 | kucoin | 2023-04-24T17:13:12.278Z | 200 | 106.592526 | 133.904534 | 240.49706 | 0.066909 | 0.100415 | 0.000262 |
| 14220 | bitfinex | 2023-04-24T17:07:56.303Z | 50 | 79.840378 | 38.858004 | 118.698382 | 0.066972 | 0.100479 | 0.000072 |
| 611 | kucoin | 2023-04-24T17:07:15.683Z | 200 | 108.619836 | 119.606719 | 228.226555 | 0.066946 | 0.100472 | 0.000267 |
| 18411 | bitfinex | 2023-04-24T18:02:27.862Z | 50 | 96.719327 | 56.34665 | 153.065977 | 0.066988 | 0.100495 | 0.000048 |
| 15292 | bitfinex | 2023-04-24T17:21:50.846Z | 50 | 77.407435 | 77.078699 | 154.486134 | 0.066868 | 0.100317 | 0.00006 |
| 15693 | bitfinex | 2023-04-24T17:27:07.175Z | 50 | 71.027633 | 57.370576 | 128.398209 | 0.066962 | 0.100457 | 0.000048 |
| 3584 | kucoin | 2023-04-24T17:22:43.990Z | 200 | 90.11977 | 125.880115 | 215.999885 | 0.066925 | 0.100428 | 0.000282 |
| 2805 | kucoin | 2023-04-24T17:18:38.431Z | 200 | 97.983883 | 136.611483 | 234.595366 | 0.066915 | 0.100423 | 0.00026 |
| 17903 | bitfinex | 2023-04-24T17:55:55.366Z | 50 | 71.444473 | 57.920226 | 129.364699 | 0.06699 | 0.1005 | 0.000052 |
| 4982 | kucoin | 2023-04-24T17:30:05.105Z | 200 | 80.258473 | 139.473858 | 219.732331 | 0.06696 | 0.1005 | 0.000264 |
| 15258 | bitfinex | 2023-04-24T17:21:23.616Z | 50 | 123.859662 | 75.072369 | 198.932031 | 0.066869 | 0.100321 | 0.000068 |
| 8808 | kucoin | 2023-04-24T17:49:22.072Z | 200 | 109.927421 | 115.853856 | 225.781277 | 0.066974 | 0.100514 | 0.000249 |
| 7418 | kucoin | 2023-04-24T17:42:44.603Z | 200 | 125.942876 | 105.494186 | 231.437062 | 0.067028 | 0.100608 | 0.000246 |
# (BTC/USDT)
series_de_tiempo_2.sample(15)
| exchange | timeStamp | level | Ask_Volume | Bid_Volume | Total_Volume | Mid_Price | VWAP | Spread | |
|---|---|---|---|---|---|---|---|---|---|
| 13804 | bittrex | 2023-04-24T18:55:44.355Z | 50 | 1.780207 | 3.634274 | 5.414481 | 27356.531985 | 41132.256004 | 834.250516 |
| 6588 | kucoin | 2023-04-24T18:36:59.283Z | 200 | 28.037485 | 58.859869 | 86.897354 | 27384.1915 | 41089.248063 | 42.725 |
| 10529 | kucoin | 2023-04-24T18:56:57.961Z | 200 | 54.694987 | 40.810199 | 95.505186 | 27337.823 | 41019.434697 | 47.936 |
| 10620 | kucoin | 2023-04-24T18:57:24.963Z | 200 | 55.790578 | 40.261441 | 96.05202 | 27342.302 | 41026.272241 | 45.738 |
| 3261 | kucoin | 2023-04-24T18:20:04.815Z | 200 | 54.266432 | 45.515898 | 99.78233 | 27414.5135 | 41136.74716 | 47.353 |
| 556 | kucoin | 2023-04-24T18:06:55.942Z | 200 | 66.685915 | 32.657519 | 99.343434 | 27367.3315 | 41065.078166 | 53.205 |
| 6312 | kucoin | 2023-04-24T18:35:38.789Z | 200 | 29.333641 | 41.340442 | 70.674083 | 27377.427 | 41076.773433 | 37.47 |
| 6852 | kucoin | 2023-04-24T18:38:17.296Z | 200 | 25.994028 | 59.068 | 85.062028 | 27359.8845 | 41053.892731 | 39.041 |
| 13460 | bittrex | 2023-04-24T18:46:00.874Z | 50 | 1.991035 | 3.701348 | 5.692383 | 27330.294477 | 41065.387844 | 748.342764 |
| 1197 | kucoin | 2023-04-24T18:10:06.745Z | 200 | 54.970369 | 35.996532 | 90.966901 | 27367.9545 | 41065.039855 | 47.209 |
| 16245 | bitfinex | 2023-04-24T18:32:56.629Z | 50 | 9.949764 | 17.328731 | 27.278495 | 27407.72 | 41121.590711 | 37.04 |
| 8151 | kucoin | 2023-04-24T18:44:47.116Z | 200 | 28.213799 | 59.870824 | 88.084624 | 27325.1465 | 40999.400987 | 50.791 |
| 13712 | bittrex | 2023-04-24T18:53:09.833Z | 50 | 1.788149 | 3.537587 | 5.325736 | 27341.581526 | 41119.211701 | 805.651028 |
| 12134 | bittrex | 2023-04-24T18:08:41.225Z | 50 | 2.432396 | 3.582965 | 6.015361 | 27332.67477 | 41130.470358 | 881.972048 |
| 403 | kucoin | 2023-04-24T18:06:09.195Z | 200 | 48.631739 | 30.58671 | 79.218449 | 27376.576 | 41076.313433 | 40.786 |
# (ETH/BTC)
microestructura_1 = fn.micro_modelling(series_de_tiempo_1)
# (BTC/USDT)
microestructura_2 = fn.micro_modelling(series_de_tiempo_2)
# (ETH/BTC)
microestructura_1.sample(15)
| Close | Spread | Effective Spread | |
|---|---|---|---|
| timeStamp | |||
| 2023-04-24T17:18:58.093Z | 0.06689 | 0.000068 | 0.000011 |
| 2023-04-24T17:09:48.049Z | 0.066951 | 0.000068 | 0.000054 |
| 2023-04-24T17:54:29.576Z | 0.06697 | 0.000247 | 0.000002 |
| 2023-04-24T17:50:54.355Z | 0.066983 | 0.000248 | 0.000001 |
| 2023-04-24T17:35:28.523Z | 0.06698 | 0.000249 | 0.000004 |
| 2023-04-24T17:08:40.266Z | 0.066928 | 0.000255 | 0.000008 |
| 2023-04-24T17:14:54.582Z | 0.066933 | 0.000257 | 0.000005 |
| 2023-04-24T17:42:42.934Z | 0.067061 | 0.000064 | 0.000015 |
| 2023-04-24T17:24:50.770Z | 0.066904 | 0.000239 | 0.000007 |
| 2023-04-24T17:22:28.216Z | 0.066896 | 0.000261 | 0.000005 |
| 2023-04-24T17:48:45.516Z | 0.066991 | 0.00025 | 0.000003 |
| 2023-04-24T17:20:42.184Z | 0.066855 | 0.00006 | 0.000009 |
| 2023-04-24T17:24:23.279Z | 0.066909 | 0.000258 | 0.000006 |
| 2023-04-24T17:43:38.885Z | 0.067438 | 0.001432 | 0.000012 |
| 2023-04-24T17:31:44.679Z | 0.066949 | 0.000255 | 0.000006 |
# (BTC/USDT)
microestructura_2.sample(15)
| Close | Spread | Effective Spread | |
|---|---|---|---|
| timeStamp | |||
| 2023-04-24T18:24:39.850Z | 27491.8425 | 51.009 | 22.174022 |
| 2023-04-24T18:08:06.443Z | 27357.733 | 53.984 | 8.638551 |
| 2023-04-24T18:53:56.853Z | 27339.449 | 43.934 | 2.176915 |
| 2023-04-24T18:16:49.907Z | 27354.8375 | 45.797 | 2.758821 |
| 2023-04-24T18:27:43.447Z | 27472.1235 | 36.581 | 2.460089 |
| 2023-04-24T18:11:51.190Z | 27361.594 | 49.428 | 6.324842 |
| 2023-04-24T18:19:13.455Z | 27425.1 | 36.76 | 2.106118 |
| 2023-04-24T18:13:52.899Z | 27371.5105 | 41.859 | 4.791754 |
| 2023-04-24T18:40:49.323Z | 27370.18 | 37.32 | 7.105551 |
| 2023-04-24T19:03:13.121Z | 27333.1 | 30.92 | 1.776467 |
| 2023-04-24T18:29:36.011Z | 27456.28 | 35.2 | 8.571180 |
| 2023-04-24T18:42:43.336Z | 27385.556555 | 849.546964 | 4.931479 |
| 2023-04-24T18:21:50.994Z | 27476.149 | 44.348 | 9.382702 |
| 2023-04-24T18:17:41.019Z | 27373.1775 | 44.147 | 2.098667 |
| 2023-04-24T18:58:34.348Z | 27378.477239 | 788.676504 | 8.019090 |
facetas_sdt_1 = visualizations.timeseries_facet_plot(series_de_tiempo_1)
facetas_sdt_1.show(renderer = 'notebook')
facetas_sdt_2 = visualizations.timeseries_facet_plot(series_de_tiempo_2)
facetas_sdt_2.show(renderer = 'notebook')
Fernanda Amador
En primer lugar, es emocionante ver cómo la tecnología ha hecho posible el acceso y análisis de datos de múltiples exchanges de cryptomonedas en tiempo real. Esto es un gran avance en la modelización de microestructura y sistemas de trading, y es fascinante ver cómo se puede utilizar el libro de órdenes para entender el comportamiento del mercado.
En cuanto a los conceptos que has aprendido, es evidente que los niveles del libro de órdenes, el volumen, bid, ask y spread son fundamentales para entender cómo se mueve el mercado y cómo se pueden realizar estrategias de trading. La comprensión del spread efectivo también es crucial para calcular los costos de transacción y determinar la rentabilidad de las operaciones.
Además, es notable cómo la biblioteca pandas de Python es una herramienta poderosa para el análisis de datos en el contexto de la microestructura del mercado y el trading de cryptomonedas. La capacidad de manipular grandes cantidades de datos y visualizarlos de manera efectiva es esencial para la toma de decisiones informadas en el trading.
En conclusión, el modelado de microestructura y sistemas de trading utilizando el libro de órdenes de los exchanges de cryptomonedas es una tarea desafiante pero extremadamente valiosa. A través del uso de Python y bibliotecas como pandas y ccxt, se pueden obtener valiosos conocimientos sobre el comportamiento del mercado y realizar operaciones con mayor confianza y éxito.
Guillermo González
Para cerrar el laboratorio, me gustaría resaltar la importancia acerca del uso del libro de órdenes para modelar la dinámica del mercado. Al hacerlo, se pueden identificar patrones y tendencias que pueden ayudar a los inversores y traders a tomar decisiones informadas sobre cuándo comprar o vender un activo. Además, este tipo de modelado también puede ayudar a los reguladores a entender mejor cómo funciona el mercado y cómo pueden implementar políticas que promuevan una mayor estabilidad y transparencia en el mercado.
Como complemento a lo anterior, quiero hacer énfasis en que los resultados obtenidos toman sentido gracias a la utilización de recursos como python y sus librerías, debido a que muchos modelos financieros podrían quedarse en la teoría, y no son realmente comprendidos hasta que lo aplicas en un ejemplo práctico; una vez aplicado, demuestras los resultados mediante un conjunto de gráficos que redondean y concluyen de una manera más clara lo que se planteó.
Finalmente, es interesante encontrar cómo es que algo tan "básico" como el libro de órdenes, cuando lo analizas en una gran escala de tiempo para que tenga resultados significativos, puede convertirse en una herramienta de mucha utilidad para modelar el comportamiento del mercado
Valencia, D. C., Ruiz, N. R., & Arias, A. V. (2018). Microestructura de mercados como determinante de la tasa de cambio: Seguimiento Bibliométrico. Revista Venezolana de Gerencia, 23(81), 202-216.
Madhavan, A. N. (2002). VWAP strategies. Trading, 2002(1), 32-39.